【LangChain】 对话模板（ChatPromptTemplate）实战指南

LangChain 对话模板（ChatPromptTemplate）实战指南

从单轮问答到多轮对话，掌握 ChatPromptTemplate 的核心用法与工程落地技巧。

---

一、为什么需要对话模板？

大语言模型（LLM）本质上是无状态的------每次请求都是独立的。要让模型"记住"上下文、维持角色一致性，需要我们在 prompt 中显式拼接历史对话。

LangChain 的 ChatPromptTemplate 就是为这个场景设计的：它区分 system/human/ai 三种消息角色，让多轮对话的结构清晰可控。

---

二、核心消息类型

消息类型	类名	角色标识	用途
系统消息	SystemMessage	system	设定全局角色、规则、约束
用户消息	HumanMessage	human / user	用户的输入问题或指令
AI 回复	AIMessage	ai / assistant	模型的历史回复
工具消息	ToolMessage	tool	工具/函数执行结果

---

三、基础用法

3.1 直接传入元组列表（最常用）

from langchain.prompts import ChatPromptTemplate

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名专业的机床维护工程师，擅长解析海德汉CNC报警代码。"),
    ("human", "报警码 {code} 是什么意思？"),
])

messages = chat_prompt.format_messages(code="E-616")
print(messages)

输出：

[
    SystemMessage(content="你是一名专业的机床维护工程师..."),
    HumanMessage(content="报警码 E-616 是什么意思？")
]

3.2 使用专门的模板对象（更灵活）

from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate
)

system_template = "你是一名{role}，擅长{skill}。"
human_template = "请分析以下报警：{alarm}"

chat_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(system_template),
    HumanMessagePromptTemplate.from_template(human_template),
])

messages = chat_prompt.format_messages(
    role="机床维护工程师",
    skill="解析海德汉报警",
    alarm="E-616 chuck not clamped"
)

---

四、多轮对话：MessagesPlaceholder

实际工程中，对话历史是动态生成的，长度不固定。MessagesPlaceholder 就是用来插入可变长度历史记录的占位符。

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名机床维护专家，根据历史对话和当前问题给出建议。"),
    MessagesPlaceholder(variable_name="history"),  # 动态插入历史消息
    ("human", "{input}")
])

# 模拟历史对话
history = [
    ("human", "E-616 是什么报警？"),
    ("ai", "工件夹紧信号未到位。"),
    ("human", "怎么处理？"),
    ("ai", "1.检查夹具气压 2.确认工件位置 3.复位传感器。"),
]

messages = chat_prompt.format_messages(
    history=history,
    input="还是不行，夹具气压正常"
)

生成的完整消息序列：

System: 你是一名机床维护专家...
Human: E-616 是什么报警？
AI: 工件夹紧信号未到位。
Human: 怎么处理？
AI: 1.检查夹具气压 2.确认工件位置 3.复位传感器。
Human: 还是不行，夹具气压正常

---

五、少样本 + 对话模板的结合

在对话中嵌入少样本示例，教模型输出格式：

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名机床维护专家。回答时请遵循以下规则：\n"
               "1. 先给出根因分析\n"
               "2. 再列出处理步骤（编号）\n"
               "3. 最后标注严重程度"),

    # 少样本示例（教格式）
    ("human", "报警码 E-616，信息：chuck not clamped"),
    ("ai", "根因：工件夹紧信号未到位。\n"
           "处理：1.检查气压 2.确认工件位置\n"
           "严重：严重"),

    ("human", "报警码 W-617，信息：Robot signal not dropped"),
    ("ai", "根因：换料时机器人夹具闭合信号未断开。\n"
           "处理：1.检查IO信号线 2.确认换料节拍\n"
           "严重：警告"),

    # 动态历史
    MessagesPlaceholder(variable_name="history"),

    # 当前问题
    ("human", "报警码 {code}，信息：{message}")
])

---

六、对话 + RAG 的结合

将检索到的文档作为上下文注入对话：

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名机床维护专家。以下是从知识库检索到的相关文档，请结合文档内容回答问题。"),

    ("human", "相关文档：\n{context}"),

    MessagesPlaceholder(variable_name="history"),

    ("human", "当前问题：{input}")
])

# 使用示例
messages = chat_prompt.format_messages(
    context="E-616: 工件夹紧信号异常，常见于气压不足或传感器故障...",
    history=[("human", "之前遇到过 E-616"), ("ai", "已记录。")],
    input="现在报警变成了 E-618，主轴过载"
)

---

七、完整工程示例：对话式报警诊断系统

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

class AlarmChatSystem:
    def __init__(self):
        self.prompt = ChatPromptTemplate.from_messages([
            ("system", "你是一名资深机床维护工程师，拥有20年海德汉系统维修经验。"),

            # 少样本：教输出格式
            ("human", "报警：E-616 chuck not clamped"),
            ("ai", "【根因】工件夹紧信号未到位\n"
                   "【处理】1.检查夹具气压(>0.5MPa)\n"
                   "        2.确认工件放置到位\n"
                   "        3.复位夹紧传感器\n"
                   "【严重】严重"),

            MessagesPlaceholder(variable_name="history"),

            ("human", "{input}")
        ])
        self.history = []

    def chat(self, user_input: str) -> str:
        messages = self.prompt.format_messages(
            history=self.history,
            input=user_input
        )
        # 调用 LLM（此处省略具体调用代码）
        # response = llm.invoke(messages)

        # 更新历史
        self.history.append(("human", user_input))
        # self.history.append(("ai", response.content))

        return messages  # 实际应返回 response.content

# 使用
system = AlarmChatSystem()
print(system.chat("E-618 主轴过载怎么处理？"))

---

八、各类模板对比

模板类型	核心类	消息角色	适用场景
基础模板	PromptTemplate	无	单轮问答、简单任务
少样本模板	FewShotPromptTemplate	无	需要示例引导格式
对话模板	ChatPromptTemplate	system/human/ai	多轮对话、角色扮演
历史占位	MessagesPlaceholder	动态	历史长度不固定

---

九、总结

1. ChatPromptTemplate 的本质：用角色区分消息，让 LLM 理解"谁在说话"
2. MessagesPlaceholder 是关键：解决动态历史长度的工程问题
3. 组合使用威力更大：对话模板 + 少样本（教格式）+ RAG（给知识）= 完整的对话式 AI 应用
4. 历史管理要注意：对话过长时要做截断或摘要，避免超出模型上下文窗口

---

注：本文基于 LangChain 框架，核心思想适用于所有支持消息角色区分的 LLM API。